划分聚类Kmeans原理(1)任意选择k个对象作为初始的簇中心；(2)根据距离（欧式距离）中心最近原则，将其他对象分配到相应类中；(3) 更新簇的质心，即重新计算每个簇中对象的平均值；(4) 重新分配所有对象，直到质心不再发生变化 调包实现import time
import pandas as pd
from sklearn import preprocessing
da
转载
2023-07-28 13:11:42
219阅读
算法优缺点：优点：容易实现缺点：可能收敛到局部最小值，在大规模数据集上收敛较慢使用数据类型：数值型数据算法思想k-means算法实际上就是通过计算不同样本间的距离来判断他们的相近关系的，相近的就会放到同一个类别中去。1.首先我们需要选择一个k值，也就是我们希望把数据分成多少类，这里k值的选择对结果的影响很大，Ng的课说的选择方法有两种一种是elbow method，简单的说就是根据聚类的结果和k的
转载
2023-09-05 22:44:28
47阅读
在之前的文章里，介绍了比较传统的K-Means聚类、Affinity Propagation(AP)聚类、比K-Means更快的Mini Batch K-Means聚类以及混合高斯模型Gaussian Mixture Model(GMM)等聚类算法，今天介绍一个比较近代的一类算法——Spectral Clustering 中文通常称为“谱聚类”。Spectral Clustering(谱聚类，有时
转载
2023-11-30 18:07:57
113阅读
主要参考 K-means 聚类算法及 python 代码实现 还有 《机器学习实战》 这本书，当然前面那个链接的也是参考这本书，懂原理，会用就行了。1、概述K-means 算法是集简单和经典于一身的基于距离的聚类算法采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为类簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。说白了就是无监督的聚类，大家都是同
转载
2023-07-07 23:55:52
100阅读
一、算法简介Affinity Propagation聚类算法简称AP，是一个在07年发表在Science上的聚类算法。它实际属于message-passing algorithms的一种。算法的基本思想将数据看成网络中的节点，通过在数据点之间传递消息，分别是吸引度(responsibility)和归属度(availability)，不断修改聚类中心的数量与位置，直到整个数据集相
转载
2023-07-24 15:48:16
146阅读
尽管基于划分的聚类算法能够实现把数据集划分成指定数量的簇，但是在某些情况下，需要把数据集划分成不同层上的簇：比如，作为一家公司的人力资源部经理，你可以把所有的雇员组织成较大的簇，如主管、经理和职员；然后你可以进一步划分为较小的簇，例如，职员簇可以进一步划分为子簇：高级职员，一般职员和实习人员。所有的这些簇形成了层次结构，可以很容易地对各层次上的数据进行汇总或者特征化。另外，使用基于划分的聚类算法(
转载
2024-06-28 07:38:10
98阅读
菜鸟一枚，编程初学者，最近想使用Python3实现几个简单的机器学习分析方法，记录一下自己的学习过程。关于KMeans算法本身就不做介绍了，下面记录一下自己遇到的问题。一 、关于初始聚类中心的选取 初始聚类中心的选择一般有：（1）随机选取（2）随机选取样本中一个点作为中心点，在通过这个点选取距离其较大的点作为第二个中心点，以此类推。（3）使用层次聚类等算法更新出初
转载
2023-07-20 14:40:48
152阅读
1 实验环境部署1.1 主机环境 处理器 Intel(R) Core(TM)2 Duo CPU 2.80GHz内存 8.00GB操作系统 WIN7SP1 64bit1.2虚拟机环境VMware® Workstation 10.0.2 build-1744117处
转载
2023-12-15 15:38:31
148阅读
下面是几个城市的GDP等信息，根据这些信息，写一个SOM网络，使之对下面城市进行聚类。并且，将结果画在一个二维平面上。 //表1中，X。为人均GDP(元)；X2为工业总产值(亿元)；X。为社会消费品零售总额(亿元)；x。为批发零售贸易总额(亿元)；x。为地区货运总量(万吨)，表1中数据来自2002年城市统计年鉴。//城市 X1 X2 X3 Xa X5 北京 27527 2738.30 1
转载
2023-06-20 14:47:21
122阅读
准备说明：Python代码运行，需要有数据集，文章最后有csv格式的数据集，请自行下载。理论知识讲解：模糊理论模糊控制是自动化控制领域的一项经典方法。其原理则是模糊数学、模糊逻辑。1965，L. A. Zadeh发表模糊集合“Fuzzy Sets”的论文， 首次引入隶属度函数的概念，打破了经典数学“非0即 1”的局限性，用[0,1]之间的实数来描述中间状态。很多经典的集合（即：论域U内的某个元素是
转载
2024-08-13 17:42:44
39阅读
本例中，使用用户注册时间（注册天数reg_length）、活跃（最近活跃间隔天数rec_act_length、近7日活跃天数act_days）和变现（近7日日均广告点击量ad_pd、近7日日均阅读量read_pd）三个维度进行聚类。库导入在这里用到了os用来处理路径，numpy、pandas都是数据分析处理的常用库，matplotlib作简单的图形看指标分布，重头戏就是sklearn啦，用来完成我
转载
2024-03-04 01:25:34
29阅读
一、python代码'''
Author: Vici__
date: 2020/5/14
'''
import math
'''
Point类，记录坐标x，y和点的名字id
'''
class Point:
'''
初始化函数
'''
def __init__(self, x, y, name):
self.x = x # 横坐标
转载
2023-08-20 10:00:57
60阅读
最近在做SOM神经网络模型的项目，之前一直在用Matlab的工具箱，一直想转成Python的代码来实现，就到处找，结果还真有SOM相关的库。
自组织地图MiniSom 是自组织映射 (SOM) 的简约和基于 Numpy 的实现。SOM 是一种人工神经网络，能够将高维数据项之间复杂的非线性统计关系转换为低维显示器上的简单几何关系。Minisom 旨在让研究人员能够轻松地在其基础上进行构建，并
转载
2023-08-05 22:51:12
0阅读
谱聚类(Spectral Clustering,SC)是一种基于图论的聚类方法，将带权无向图划分为两个或两个以上的最优子图，使子图内部尽量相似，而子图间距离尽量远。能够识别任意形状的样本空间且收敛于全局最优解，基本思想是利用样本数据的相似矩阵(拉普拉斯矩阵)进行特征分解后得到的特征向量进行聚类。对于item-user矩阵，如果要将item进行聚类我们可以采用k-means聚类，复杂度为O(tknm
转载
2023-08-21 14:40:04
102阅读
前言在前面介绍的线性回归, 岭回归, Lasso回归, 逻辑回归均是监督学习, 下面将要介绍一种无监督学习—“聚类"目录正文“物以类聚，人以群分”, 所谓聚类就是将相似的元素分到一"类"(有时也被称为"簇"或"集合"), 簇内元素相似程度高, 簇间元素相似程度低. 常用的聚类方法有划分聚类, 层次聚类, 密度聚类, 网格聚类, 模型聚类等. 我们这里重点介绍划分聚类.1. 划分聚类划分聚类, 就是
转载
2023-09-05 19:03:34
90阅读
本文简要介绍了多种无监督学习算法的 Python 实现，包括 K 均值聚类、层次聚类、t-SNE 聚类、DBSCAN 聚类。无监督学习是一类用于在数据中寻找模式的机器学习技术。无监督学习算法使用的输入数据都是没有标注过的，这意味着数据只给出了输入变量（自变量 X）而没有给出相应的输出变量（因变量）。在无监督学习中，算法本身将发掘数据中有趣的结构。人工智能研究的领军人物 Yan Lecun，解释道：
转载
2023-08-23 16:16:50
124阅读
k-means算法原理上可以说蛮简单的，面试上也会经常问到，但一旦面试官问到如何用python写出来，有些同学可能一时半会还不知道咋下手，导致写的磕磕绊绊，影响面试体验。今个我们就来彻底学懂它！先介绍原理：
先给定样本data和聚类数k；
（1） 初始化。随机选取k个样本点作为初始聚类中心；
（2）对样本进行聚类。计算样本
到每个聚类中心的距离，将该样本指派到与
转载
2023-08-31 20:49:58
150阅读
K-means算法介绍 K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。 算法过
转载
2023-06-19 20:07:34
209阅读
python实现k-means聚类算法不调包这里是为了记录机器学习作业写的代码，只要放入二维数据即可运行代码基本思想 举个例子： 1.假如有5个点要实现聚类：a,b,c,d,e 2.我们要选定聚几类（假设是聚两类）k=2 3.那么我们就随机选定5个点的2个点作为簇心 4.然后将每个点和簇心的欧式距离比较一遍，谁离哪个点进谁就属于哪一类 比如：（b点到A簇心的距离小于到B簇心的距离，则b属于A类）
转载
2023-10-20 23:37:39
39阅读
